Identificación de patrones en registros EEG de crisis epilépticas utilizando métodos de inteligencia artificial explicable

Abstract

La epilepsia es una de las enfermedades neurológicas con mayor incidencia a nivel mundial. Si bien el EEG es una herramienta fundamental para el diagnóstico de la enfermedad, la detección manual de crisis epilépticas consume mucho tiempo. En el estado del arte existen diversos modelos que tienen como objetivo la detección automática de crisis, sin embargo, estos suelen ser modelos de aprendizaje profundo. La falta de transparencia de estos modelos es un obstáculo para su implementación en ambientes médicos. Dado lo anterior, en el presente trabajo se propuso usar Inteligencia Artificial Explicable para la identificación de patrones de onda de EEG discriminativos, con una aplicación a la detección crisis epilépticas. Con el fin de evaluar la hipótesis, se seleccionaron dos modelos del estado del arte para la detección de crisis, y dos bases de datos de EEG. Posteriormente, los modelos fueron entrenados y evaluados bajo diversas condiciones. Una vez seleccionado el clasificador con el mejor desempeño, se utilizó Shapley Addditive Explanations para generar el valor de importancia de cada canal por cada ventana de EEG. Luego, los segmentos de EEG fueron agrupados, considerando cada canal como una serie de tiempo univariante. Finalmente, se estimó la correlación entre los valores de SHAP y la entropía de los grupos generados. Los resultados mostraron que la correlación entre los valores SHAP y la entropía es casi inexistente. Por lo cual, el uso en conjunto de aprendizaje profundo y de XAI, no necesariamente permitir á la extracción de patrones discriminativos para la detección de crisis epilépticas.